Companybook

Command Palette

Search for a command to run...

Tilbake til bloggen

Slik bygger vi konkurrentanalyser med AI

Vi kombinerer Norges mest komplette bedriftsdata med AI-agenter for å lage dype konkurrentanalyser. Se prosessen bak Askeladden- og Velbehag-rapportene.

Kenneth Dreyer|Grunder|6. februar 20264 min lesetid
Illustrasjon av AI-agent som analyserer bedriftsdata

Google "konkurrentanalyse" og du får ti sider som forklarer hva SWOT-analyse er. Maler for Porter's Five Forces. Generiske guider. Ingen viser deg en faktisk konkurrentanalyse. Vi bestemte oss for å gjøre det i stedet — og publiserte to fullstendige rapporter: Askeladden & Co og Velbehag Holding.

Her er prosessen bak.

Problemet med "konkurrentanalyse"

De fleste artikler om konkurrentanalyse handler om rammeverk. De forteller deg at du bør kartlegge konkurrentenes styrker og svakheter, analysere markedsandeler, og lage fine 2x2-matriser.

Det de ikke forteller deg er hvor du finner dataene. Og det er der de fleste stopper opp. Du ender med en pen mal der halvparten av feltene står tomme, fylt med kvalifisert gjetting og antagelser.

Vi ville vise at det finnes en bedre måte. En som starter med data — ekte, verifisert, proprietær data — og bygger analyse oppå det.

Lag 1: Vi starter med proprietær data

Fundamentet er Companybooks egen database. Dette er ikke noe du kan Google deg frem til. Vi synkroniserer direkte mot Brønnøysundregistrene flere ganger daglig og bygger videre derfra:

  • Selskapsstruktur: Organisasjonsnumre, styremedlemmer, aksjonærer, reelle rettighetshavere
  • Økonomi: Fullstendige regnskapshistorikker med nøkkeltall, margin og veksttrender
  • Roller: Hvem sitter i styret, hvem er daglig leder, og hvor ellers har de roller
  • Nettsider og digital tilstedeværelse: Teknologi-stack, sosiale profiler, metadata fra crawling

Ta Askeladden-rapporten som eksempel. Fra aksjonærdata alene kunne vi kartlegge hele 7-fondsstrukturen (Askeladden & Co 1–7 AS) og identifisere over 150 minoritetsaksjionærer. Vi kunne se at Egil Stenshagen (6,48 %) også hadde posisjoner i Dr.Dropin og Squeeze — noe som avslørte kryssportefølje-investeringsmønstre som ville tatt timer å finne manuelt.

Alt dette skjer før noen AI-agent i det hele tatt starter.

Lag 2: Web Intelligence

Vår Web Scout crawler selskapenes nettsider for å avdekke teknologi, sosial tilstedeværelse og digital modenhet. Men den mest verdifulle innsikten kommer ofte fra å koble web-data med rolledata fra BRREG.

For Velbehag avdekket denne koblingen noe grunnleggerne aldri snakker om i intervjuer: Stian Schille Olsen sitter i styret til tre Stormberg-selskaper eid av Steinar J. Olsen. Begge fra Kristiansand, begge deler etternavn. Denne sannsynlige familieforbindelsen til et av Norges mest suksessfulle friluftsmerker har aldri blitt omtalt i media.

Det er denne typen funn som skiller databaserte analyser fra de som starter med et tomt Google-søk.

Lag 3: AI Deep Research

Her overtar AI-agentene. Bevæpnet med proprietær data som utgangspunkt, søker de systematisk gjennom nett, pressearkiver, podcaster og bransjekilder for å bygge et komplett bilde.

For Askeladden fant og syntetiserte agentene:

  • 14+ podcast-episoder og intervjuer med gründerne
  • Finansielle detaljer fra E24, DN, Kapital og Finansavisen
  • 8 dokumenterte kontroverser (Cutters' kjemikaliehendelse, arbeidskonflikter, Dr.Dropins varslingssaker)
  • Komplett exit-historikk med avkastning (100x på Cutters, 50x på Dr.Dropin)

For Velbehag identifiserte agentene:

  • 14 presseartikler fra lokale og nasjonale aviser (2022–2025)
  • Økonomiske nedbrytninger per klinikk (Bergen med 21 % margin vs. Bodø som tapte 852 000 kr)
  • 85–90 % bruttomargin på permanent hårfjerning med laser
  • En gjeldsgrad på 12x til tross for null ekstern kapital
  • Velbehag Academy som en vertikal integrasjonsstrategi (30–40 000 kr per student)

Ingen av disse funnene kom fra et enkelt Google-søk. De er resultatet av AI-agenter som vet hva de leter etter fordi de starter med et solid datafundament.

Hva gjør dette annerledes?

Nøkkelforskjellen er enkel: vi starter ikke med å Google. Vi starter med data ingen andre har — aksjonærregistre, regnskapshistorikker, selskapsstrukturer, digitale fotavtrykk. Dette gir AI-agentene et fundament av verifiserte fakta før de i det hele tatt åpner en nettleser.

Resultatet er analyser som avdekker sammenhenger og mønstre som selv erfarne journalister går glipp av:

  • Stormberg-forbindelsen i Velbehag som ingen har rapportert
  • 17 av 18 selskaper i Askeladden-porteføljen gikk med underskudd i 2022
  • Den selvforsterkende vekstsirkelen som lar Velbehag åpne 3–5 nye klinikker årlig uten investorer
  • Kryssportefølje-mønstre som viser hvordan Stenshagen diversifiserer via Askeladden-fondene

Tradisjonelle konkurrentanalyser gir deg et øyeblikksbilde. Våre gir deg en forståelse av hvordan et selskap faktisk opererer.

Se eksemplene

Vi har publisert to fullstendige konkurrentanalyser som du kan lese i sin helhet:


Enten du driver med due diligence, kartlegger konkurrenter, eller bare er nysgjerrig på et selskap — dette er dybdenivået vi kan levere. Vi bygger konkurrentanalyser på bestilling, tilpasset din bransje og dine spørsmål. Se hva vi kan gjøre for deg.